Bridging the Gap: Protocol Towards Fair and Consistent Affect Analysis

要約

機械学習アルゴリズムの日常生活への統合が進んでいることは、その導入における公平性と公平性の重要な必要性を浮き彫りにしています。
これらのテクノロジーは意思決定において極めて重要な役割を果たすため、年齢、性別、人種を含む多様な部分集団にわたる偏見に対処することが最も重要になります。
生理学、心理学、機械学習が交わる自動感情分析は、大幅な発展を遂げています。
しかし、既存のデータベースや方法論は統一性に欠けており、評価に偏りが生じています。
この研究では、6 つの感情データベースを分析し、人口統計的属性に注釈を付け、データベースを分割するための共通プロトコルを提案することで、これらの問題に対処しています。
評価は公平性を重視します。
ベースラインおよび最先端の方法を使用した広範な実験により、これらの変化の影響が実証され、以前の評価が不適切であることが明らかになりました。
この調査結果は、感情分析研究において人口統計的属性を考慮することの重要性を強調し、より公平な方法論の基盤を提供します。
アノテーション、コード、事前トレーニング済みモデルは、https://github.com/dkollias/Fair-Consistent-Affect-Analysis から入手できます。

要約(オリジナル)

The increasing integration of machine learning algorithms in daily life underscores the critical need for fairness and equity in their deployment. As these technologies play a pivotal role in decision-making, addressing biases across diverse subpopulation groups, including age, gender, and race, becomes paramount. Automatic affect analysis, at the intersection of physiology, psychology, and machine learning, has seen significant development. However, existing databases and methodologies lack uniformity, leading to biased evaluations. This work addresses these issues by analyzing six affective databases, annotating demographic attributes, and proposing a common protocol for database partitioning. Emphasis is placed on fairness in evaluations. Extensive experiments with baseline and state-of-the-art methods demonstrate the impact of these changes, revealing the inadequacy of prior assessments. The findings underscore the importance of considering demographic attributes in affect analysis research and provide a foundation for more equitable methodologies. Our annotations, code and pre-trained models are available at: https://github.com/dkollias/Fair-Consistent-Affect-Analysis

arxiv情報

提供元, 利用サービス

arxiv.jp, Google